كليدواژه :
بارندگي , مدل پواسون , يخ‌بندان , پيش‌بيني تصادفات , مدل شبكۀ عصبي مصنوعي
چكيده فارسي :
زمينه و هدف: گسترش روزافزون شبكۀ راه‌ها و تغييرات مداوم آن‌ها به‌دليل ترافيك، شرايط آب‌وهوايي و محيط، تأثير بسيار زيادي بر وقوع تصادفات دارد؛ و در نتيجۀ آن تلفات جاني، خسارات مالي و مسائل ديگري به وجود خواهد آمد. خسارت و تلفات ناشي از وقوع تصادفات جاده‌اي در جوامع مختلف و به‌ويژه در جوامع جهان‌سوم بسيار قابل‌توجه است؛ لذا هدف از اين مطالعه، معرفي مدل مناسب براي پيش‌بيني تصادفات جاده‌اي و ارزيابي تأثير بارندگي و يخ‌بندان بر وقوع آن‌ها مي‌باشد.
روش: در اين پژوهش، پس از جمع‌آوري آمار و اطلاعات موردنياز، ازجمله تصادفات به‌وقوع‌پيوسته در محورهاي منتهي به پليس راه شهرستان ميانه و داده‌هاي آب‌وهوايي مناطق مربوطه، اثرات هركدام از عوامل آب‌وهوايي بررسي شد و همبستگي آن با وقوع تصادفات موردتحليل قرار گرفت. سپس از مدل شبكۀ عصبي، براي مدل‌سازي برخوردهاي ثبت‌شده (جرحي، فوتي و خسارتي) و نيز تصادفات سال‌هاي 1391 تا 1393، در شرايط بارش و يخ‌بندان استفاده شد. همچنين تصادفات به كمك مدل پواسون نيز پيش‌بيني شدند.
يافته‌ها: بر اساس بررسي انجام‌شده بين متوسط دما و تعداد تصادفات مي‌توان دريافت كه با افزايش دما، تعداد تصادفات به‌دليل افزايش ترددها دچار تغييراتي شده و عموماً در ماه‌هاي سرد سال، كمترين ترافيك عبوري و كمترين تعداد تصادفات گزارش شده است.
نتيجه‌گيري: نتايج مدل‌سازي نشان داد كه هر دو مدل پواسون و شبكۀ عصبي، توانايي مناسبي در پيش‌بيني تعداد تصادفات دارند، ولي بايد توجه داشت كه شبكۀ عصبي از دقت بالاتري برخوردار است. در مدل شبكۀ عصبي، ضريب تبيين مرحلۀ ساخت مدل بيش از 98 درصد و ضريب در مرحلۀ اعتبارسنجي حدود 96 درصد گزارش شد. اين مؤلفه در مدل پواسون براي مراحل ساخت و اعتبارسنجي به ترتيب برابر 53 درصد و 64 درصد به دست آمد. همچنين بررسي‌هاي آماري نشان داد كه بين تعداد تصادفات مشاهده‌شده و مدل‌سازي‌شده در سطح 5 درصد، تفاوت معناداري وجود ندارد.
چكيده لاتين :
Road networks development and continual changes due to traffic and environmental factors, has a significant effect on accidents’ rate, which consequently cause casualties, financial losses and other problems. The purpose of this research study is to introduce an appropriate model for predicting accidents and evaluation the effects of rainfall and frost on road accident. Therefore, after collecting data in routs leading to Miyaneh city police station, each of the climate related factors effects was investigated and also the correlation between accidents occurrence and climate factor was analyzed. Then, the recorded collisions (injury, death and property damage) and the number of accidents during 1391-1393 in rainy and freezing condition, were modeled by neural network model. Also, the accidents number were predicted using Poisson model. Based on the relation between average temperature and the number of accidents, it was found that the number of accidents changed when the temperature rise, and generally in the cold months of year, because of the lowest traffic, the least number of accidents have been take place. The results showed that both Poisson and neural network models have a good ability to predict the total number of accidents. Artificial neural network had a better accuracy in accident prediction, which the R2 value in training and testing steps are about 98 and 96 percent, respectively. In Poisson model the R2 value for presented model and its validation were 53 and 64 percent, respectively. Also, statistical analysis showed that between observed and modeled number of accidents at the level of five percent, there is no significant difference.
